論文の概要: Learning to Reconstruct Wigner Functions in Phase Space

• arxiv url: http://arxiv.org/abs/2607.06232v1
• Date: Tue, 07 Jul 2026 13:00:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.527301
• Title: Learning to Reconstruct Wigner Functions in Phase Space
• Title（参考訳）: 位相空間におけるウィグナー関数の再構成学習
• Authors: Xinyu Tang, Yi-hsin Lin, Yan Zhu, Tailong Xiao, Yuxuan Du, Giulio Chiribella, Qiongyi He, Ya-dong Wu,
• Abstract要約: ウィグナー関数学習は連続変数量子システムを特徴づける中心的なツールである。 我々は、疎位相空間データから連続関数としてWigner関数を直接再構築する一般的な機械学習フレームワークを開発する。 回路量子力学(サーキットQED)システムによるシミュレーションデータと実験データの両方に適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 10.554489133189373
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Wigner function learning is a central tool for characterizing continuous variable quantum systems. A fundamental challenge in this setting is to infer a continuous phase-space function from sparse pointwise measurement data, a task that becomes increasingly demanding as the effective dimension enlarges. Here, we develop a general machine learning framework to reconstruct Wigner functions directly as continuous functions from sparse phase-space data. For states with sparse Fock-space or coherent-state representations, such as binomial code states and cat states, we devise provably efficient regression models whose measurement complexity scales only logarithmically with the effective Hilbert-space dimension. For more general states, such as the Gottesman-Kitaev-Preskill (GKP) states, we design a deep learning model that reconstructs the Wigner function from sparse measurements and generalizes to arbitrary phase-space resolution. We demonstrate the broad applicability of our framework on both simulated data and experimental data from a circuit quantum electrodynamic (circuit-QED) system. Interestingly, on experimental data, we find that our model reconstructs Wigner functions of GKP code states across multiple rounds of quantum error correction and identifies the dominant error process using significantly fewer measurements than conventional estimation techniques.
• Abstract（参考訳）: ウィグナー関数学習は連続変数量子システムを特徴づける中心的なツールである。 この設定における根本的な課題は、有効次元が大きくなるにつれてますます要求されるタスクである疎点測定データから連続位相空間関数を推論することである。 そこで我々は,疎位相空間データから連続関数としてWigner関数を直接再構成する汎用機械学習フレームワークを開発した。 二項符号状態や猫状態のようなスパースフォック空間あるいはコヒーレント状態表現を持つ状態に対しては、測定複雑性が実効ヒルベルト空間次元と対数的にしかスケールしない確率効率の良い回帰モデルを考案する。 Gottesman-Kitaev-Preskill (GKP) 状態のようなより一般的な状態に対しては、Wigner関数をスパース測定から再構成し、任意の位相空間分解に一般化するディープラーニングモデルを設計する。 回路量子力学(サーキットQED)システムによるシミュレーションデータと実験データの両方に適用可能であることを示す。 興味深いことに、実験データでは、GKP符号状態のウィグナー関数を複数の量子誤差補正ラウンドで再構成し、従来の推定手法よりもはるかに少ない測定値を用いて支配的な誤差過程を同定する。

関連論文リスト

• Post-Selection-Free Decoding of Measurement-Induced Area-Law Phases via Neural Networks [5.626168552306134]
  我々は、畳み込みニューラルネットワークと注意機構を組み合わせたニューラルネットワークアーキテクチャを考案し、自明で長距離の絡み合いがあり、対称性に保護された位相を分類する。 定常状態への緩和は、量子状態再構成の必要性を完全に回避し、分類器の精度の急激な収束として現れることを示す。
  論文  参考訳（メタデータ） (2026-04-04T02:34:58Z)
• Reconstructing Quantum Dot Charge Stability Diagrams with Diffusion Models [0.6116912304119905]
  量子ドットデバイスの効率的なキャラクタリゼーションは、制限されたスピンに基づいて量子プロセッサをスケーリングする際の重要なボトルネックである。 スパース測定から全電荷安定図を再構成することにより, 獲得を加速する生成的手法を提案する。 以上の結果から,生成モデルにより量子デバイスの特性的オーバーヘッドを大幅に低減できることを示すとともに,実験的な実装に向けた堅牢な経路を提供する。
  論文  参考訳（メタデータ） (2026-03-27T14:03:15Z)
• Equivariant U-Shaped Neural Operators for the Cahn-Hilliard Phase-Field Model [4.79907962230318]
  等価なU字型ニューラル作用素(E-UNO)が過去の力学の短い歴史から位相場変数の進化を学習できることを示す。 対称性とスケール階層を符号化することにより、モデルはより一般化され、トレーニングデータが少なくなり、物理的に一貫したダイナミクスが得られる。
  論文  参考訳（メタデータ） (2025-09-01T09:25:31Z)
• Nonlinear functional regression by functional deep neural network with kernel embedding [18.927592350748682]
  本稿では,適応型・離散化不変次元減少法による機能的ディープニューラルネットワークを提案する。 様々な入力関数空間にまたがる非線形滑らかな関数の近似の比例率を導出する。 シミュレーションと実データの両方で数値実験を行い、機能ネットの有効性と利点を実証する。
  論文  参考訳（メタデータ） (2024-01-05T16:43:39Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• Stochastic embeddings of dynamical phenomena through variational autoencoders [1.7205106391379026]
  位相空間の再構成において,観測空間の次元性を高めるために認識ネットワークを用いる。 我々の検証は、このアプローチが元の状態空間に類似した状態空間を復元するだけでなく、新しい時系列を合成できることを示している。
  論文  参考訳（メタデータ） (2020-10-13T10:10:24Z)
• A Functional Perspective on Learning Symmetric Functions with Neural Networks [48.80300074254758]
  本研究では,測定値に基づいて定義されたニューラルネットワークの学習と表現について検討する。 正規化の異なる選択の下で近似と一般化境界を確立する。 得られたモデルは効率よく学習でき、入力サイズにまたがる一般化保証を享受できる。
  論文  参考訳（メタデータ） (2020-08-16T16:34:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。